梅小云，顧桂梅*，陳 充，張存俊

(1.蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院，蘭州 730070；2.中國(guó)鐵路蘭州局集團(tuán)有限公司，蘭州 730030)

接觸網(wǎng)常年處于戶外，受自然環(huán)境影響極大，其部件容易出現(xiàn)異常，威脅高速鐵路的正常運(yùn)行.接觸網(wǎng)吊弦作為接觸懸掛中的重要部件之一，起著連接承力索和接觸線的作用.由于長(zhǎng)期受到車輛的機(jī)械振動(dòng)，吊弦中的吊弦線夾極易發(fā)生螺母脫落和松動(dòng)的故障，這會(huì)對(duì)鐵路運(yùn)行的安全構(gòu)成風(fēng)險(xiǎn).因此，對(duì)吊弦線夾進(jìn)行狀態(tài)識(shí)別，及時(shí)排除安全隱患，這對(duì)高速鐵路的正常運(yùn)行是很有必要的.

近些年來，隨著高速鐵路供電安全檢測(cè)監(jiān)測(cè)系統(tǒng)(6C)的投入使用，對(duì)接觸網(wǎng)零部件的故障診斷方法逐漸趨于智能化.不少學(xué)者針對(duì)接觸網(wǎng)零部件的缺陷檢測(cè)進(jìn)行了研究,現(xiàn)階段接觸網(wǎng)部件的缺陷識(shí)別方法主要有手動(dòng)提取特征和用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取特征兩大類.文獻(xiàn)[1]利用圖像的HOG特征訓(xùn)練SVM分類器，實(shí)現(xiàn)旋轉(zhuǎn)雙耳的定位,利用二維Gabor小波變換對(duì)耳片的斷裂進(jìn)行識(shí)別;文獻(xiàn)[2]利用SIFT算法和改進(jìn)RANSAC算法定位雙耳部位，然后將其分割出來，用豎直方向像素灰度值來判斷旋轉(zhuǎn)雙耳銷釘?shù)墓ぷ鳡顟B(tài);文獻(xiàn)[3]提出了一種利用加速度信號(hào)來判別吊弦是否斷裂的方法.上述方法雖然可以實(shí)現(xiàn)接觸網(wǎng)零部件的缺陷識(shí)別，但手動(dòng)提取的特征基于經(jīng)驗(yàn)假設(shè)，在對(duì)海量數(shù)據(jù)進(jìn)行分析時(shí)具有局限性.隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)能自動(dòng)提取特征的特性為接觸網(wǎng)部件的缺陷識(shí)別提供了新思路.文獻(xiàn)[4]在Faster R-CNN算法中加入注意力機(jī)制模塊實(shí)現(xiàn)接觸網(wǎng)緊固件的定位，然后用全卷積孿生網(wǎng)絡(luò)實(shí)現(xiàn)接觸網(wǎng)的異常檢測(cè)；文獻(xiàn)[5]提出用改進(jìn)的膠囊網(wǎng)絡(luò)和CV模型完成吊弦的故障識(shí)別和定位；文獻(xiàn)[6]采用Faster R-CNN先定位線夾，然后再切割出吊弦區(qū)域，對(duì)切割出的吊弦小圖像用圖像處理和深度學(xué)習(xí)相結(jié)合的方式進(jìn)行處理，檢出吊弦的缺陷.Faster R-CNN作為當(dāng)前廣泛使用的目標(biāo)檢測(cè)算法，將其用在接觸網(wǎng)吊弦缺陷檢測(cè)任務(wù)中時(shí)，由于零部件體積偏小，缺陷樣本較少，難以訓(xùn)練得到精確度較高的缺陷識(shí)別模型.

為解決把Faster R-CNN算法直接用于吊弦線夾缺陷檢測(cè)任務(wù)中導(dǎo)致的精確度不高的問題，本文提出了將吊弦線夾的缺陷檢測(cè)任務(wù)分為定位和缺陷分類兩個(gè)步驟.吊弦線夾定位以Faster R-CNN為主干模型，用ResNet-101網(wǎng)絡(luò)替換原始的VGG16網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)，可以提取到更深層次的特征信息，還可以解決梯度消失的問題；并在特征提取網(wǎng)絡(luò)中，加入特征金字塔網(wǎng)絡(luò)(feature pyramid networks，F(xiàn)PN)，將低層特征和高層特征進(jìn)行融合，使特征圖包含更豐富的語義信息，利于目標(biāo)的識(shí)別;并用K-means聚類算法對(duì)區(qū)域生成網(wǎng)絡(luò)(region proposal network，RPN)中的錨框進(jìn)行自適應(yīng)調(diào)整，使其更適合于吊弦線夾的尺寸，該部分的輸出為吊弦線夾的定位結(jié)果；由于接觸網(wǎng)吊弦線夾在整張圖片中非常小，為了能夠準(zhǔn)確地對(duì)吊弦線夾進(jìn)行故障檢測(cè)，缺陷分類部分對(duì)定位結(jié)果進(jìn)行裁剪，然后輸入到加入SENet結(jié)構(gòu)的Inception-ResNet-V2網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，使其完成缺陷分類任務(wù).完整的吊弦線夾狀態(tài)識(shí)別框架如圖1所示.圖1中，1×1、3×3表示的是卷積操作，×2表示2倍上采樣，⊕表示相加，Conv1～Conv5表示的是ResNet-101網(wǎng)絡(luò)的5個(gè)卷積塊，P2～P5是經(jīng)FPN特征金字塔融合后的特征.

圖1 整體識(shí)別框架

1 吊弦線夾定位

吊弦線夾定位以Faster R-CNN為主干模型，用ResNet-101網(wǎng)絡(luò)替換原始的特征提取網(wǎng)絡(luò)，使提取的特征包含更豐富的信息，并且將FPN加入到特征提取網(wǎng)絡(luò)中，提高吊弦線夾小目標(biāo)的定位精度.同時(shí)利用聚類算法對(duì)RPN中的錨框進(jìn)行自適應(yīng)調(diào)整，使其適用于吊弦線夾.

1.1 特征提取

本文用ResNet-101網(wǎng)絡(luò)替換原始的VGG16作為特征提取網(wǎng)絡(luò)，以便提取到魯棒性更高的特征，解決梯度消失和梯度爆炸的問題[7].為了解決吊弦線夾較小，不易識(shí)別的問題，把FPN結(jié)構(gòu)引入到特征提取網(wǎng)絡(luò)中，將高維特征和低維特征進(jìn)行融合，增強(qiáng)特征圖的語義信息，以利于小目標(biāo)吊弦線夾的識(shí)別.

1.2 RPN錨框機(jī)制

RPN作為Faster R-CNN算法中的核心部分，判斷區(qū)域里是否包含待識(shí)別的目標(biāo)要依賴于預(yù)設(shè)的多種尺寸和不同長(zhǎng)寬比的錨框[8].原始算法里的錨框針對(duì)的是VOC2007數(shù)據(jù)集，大小有1282、2562、5122三種，長(zhǎng)寬比例有1∶1、1∶2、2∶1三種，這樣的錨框?qū)τ诔叽巛^小的吊弦線夾來說，錨框的設(shè)置并不是那么合適，會(huì)影響候選區(qū)域的生成，從而影響目標(biāo)的識(shí)別精度.因此，本文在吊弦線夾的識(shí)別中，根據(jù)線夾標(biāo)注文件的信息，用K-means算法進(jìn)行聚類，重新調(diào)整錨框尺寸，大小設(shè)置為{162,322,482,642,1282},長(zhǎng)寬比為{0.7,1,2,3,5}.

2 吊弦線夾缺陷分類

由于吊弦線夾比較小，為了便于缺陷分類任務(wù)，將定位出的吊弦線夾從原圖中裁剪出來，作為缺陷分類部分的輸入.由于吊弦線夾缺陷樣本較少，用神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)時(shí)，接收到的標(biāo)簽數(shù)據(jù)有限[9]，這將導(dǎo)致網(wǎng)絡(luò)不能獲取足夠的信息來對(duì)吊弦線夾的狀態(tài)進(jìn)行分類.為了使提取到的特征能夠更好地指導(dǎo)后面的分類，本文將SENet(squeeze-and-excitation networks,SENet)注意力機(jī)制網(wǎng)絡(luò)加入到在圖像分類中表現(xiàn)較好的Inception-ResNet-V2網(wǎng)絡(luò)中,實(shí)現(xiàn)吊弦線夾的缺陷識(shí)別[10].吊弦線夾的運(yùn)行狀態(tài)分為螺母正常、缺失和松脫3種類別，如圖2所示.引入該結(jié)構(gòu)后，網(wǎng)絡(luò)模型可以自動(dòng)學(xué)習(xí)每個(gè)特征通道的重要程度，并且更多地關(guān)注與目標(biāo)相關(guān)的特征通道，而弱化與目標(biāo)不相關(guān)的特征通道，把它運(yùn)用到吊弦線夾的狀態(tài)分類網(wǎng)絡(luò)中，可以使提取的特征更有利于狀態(tài)的分類，提高對(duì)吊弦線夾狀態(tài)分類的準(zhǔn)確度.

圖2 吊弦線夾螺母狀態(tài)類別

2.1 SENet注意力機(jī)制網(wǎng)絡(luò)

注意力機(jī)制是機(jī)器模仿人類大腦對(duì)信息的處理過程，把注意力集中放在需要的信息上，選出關(guān)鍵信息，而忽略其他不重要的信息，把它應(yīng)用到深度卷積網(wǎng)絡(luò)中，可以實(shí)現(xiàn)自動(dòng)選擇圖像中的感興趣部分區(qū)域.本文采用的SENet網(wǎng)絡(luò)結(jié)構(gòu)圖[11]如圖3所示.圖3中，X表示輸入的特征圖,X′表示經(jīng)過擠壓-激勵(lì)操作更新后輸出的特征圖，W、H、M分別表示特征圖的寬、高和通道數(shù)，r為縮放參數(shù)，在文中設(shè)置為16.SENet網(wǎng)絡(luò)注重的是通道特征，能夠嵌入到任意的原始網(wǎng)絡(luò)中，通過擠壓-激勵(lì)的方式增強(qiáng)特征提取層的感受野，提升卷積神經(jīng)網(wǎng)絡(luò)的性能.

圖3 SENet結(jié)構(gòu)圖

SENet的核心思想是根據(jù)網(wǎng)絡(luò)訓(xùn)練的損失值去學(xué)習(xí)特征權(quán)重，使得有效的特征通道權(quán)重增大，無效或效果較小的特征通道權(quán)重減小，用這種方式訓(xùn)練模型使其達(dá)到更好的效果.它的核心操作是擠壓(squeeze)和激勵(lì)(excitation)兩大操作[12]，主要包括以下3個(gè)步驟：

1)擠壓操作是對(duì)提取到的特征圖進(jìn)行全局平均池化，在空間維度上對(duì)特征進(jìn)行壓縮，將W×H×M的特征圖壓縮為1×1×M，壓縮后的特征圖具有全局感受野，使感受野尺寸較小的低層網(wǎng)絡(luò)也可以利用全局信息[13].這個(gè)過程由公式(1)轉(zhuǎn)換得到.特征圖X=[x1,x2,…,xc],通過擠壓操作得到Fsq，其表達(dá)式為

(1)

2)將壓縮后的特征圖送入兩個(gè)全連接層以建立通道間的相關(guān)性.把經(jīng)過兩個(gè)全連接層的輸出特征用Sigmoid函數(shù)激活，得到每個(gè)通道對(duì)應(yīng)的權(quán)重信息S=[s1,s2,…,sc],這就是激勵(lì)操作，如式(2)所示.

S=Sigmoid(F2(ReLU(F1Fsq))),

(2)

(3)

2.2 Inception-ResNet-V2網(wǎng)絡(luò)模型

Inception-ResNet-V2網(wǎng)絡(luò)[14]是Google團(tuán)隊(duì)2016年發(fā)布的卷積神經(jīng)網(wǎng)絡(luò).ResNet-V2結(jié)構(gòu)在加深網(wǎng)絡(luò)的同時(shí)，能夠避免產(chǎn)生梯度爆炸的問題；Inception模塊可以在同一層上獲得稀疏或非稀疏的特征，將兩者結(jié)合起來，可以取得更好的效果.Inception-ResNet-V2的網(wǎng)絡(luò)結(jié)構(gòu)[15]如圖4所示.

圖4 Inception-ResNet-V2網(wǎng)絡(luò)結(jié)構(gòu)

Inception-ResNet-V2網(wǎng)絡(luò)主要包含Stem、Inception-ResNet、Reduction等部分，其中：Inception-ResNet-A、Inception-ResNet-B、Inception-ResNet-C為網(wǎng)絡(luò)的特征提取模塊.在Inception結(jié)構(gòu)中使用了可分離卷積，將7×7和3×3較大的卷積核分解為7×1、1×7、3×1、1×3較小的卷積核，降低了計(jì)算的復(fù)雜性，加快了網(wǎng)絡(luò)的運(yùn)行速度[16].該網(wǎng)絡(luò)的輸入為299×299×3的RGB圖像，經(jīng)過中間各層運(yùn)算，最終得到的特征圖是一個(gè)1×1 792維的特征向量.SoftMax分類器以1 792維的向量作為輸入，輸出向量的維度與類別數(shù)相同.本文對(duì)吊弦線夾圖像做螺母正常、松脫、缺失分類，即類別數(shù)為3.

2.3 引入SENet結(jié)構(gòu)的Inception-ResNet-V2網(wǎng)絡(luò)

SENet創(chuàng)造性的使用衡量各通道權(quán)重的方式來提高分類正確率，因此本文提出將SENet結(jié)構(gòu)嵌入到Inception-ResNet網(wǎng)絡(luò)中，對(duì)特征圖的權(quán)重進(jìn)行標(biāo)定.圖5(a)為沒有添加SENet的Inception-ResNet模塊，圖5(b)為引入了SENet的SE-Inception-ResNet模塊.

圖5 改進(jìn)的Inception-ResNet結(jié)構(gòu)圖

本文將SENet分別與每五個(gè)Inception-ResNet中的最后一個(gè)Inception-ResNet相結(jié)合，SENet通過壓縮操作增大特征提取層的感受野，調(diào)整各通道信息的權(quán)重，對(duì)各通道信息賦予不同的權(quán)值，根據(jù)權(quán)值大小對(duì)通道信息進(jìn)行篩選，降低干擾信息的影響，得到表達(dá)能力更強(qiáng)的特征圖.Inception結(jié)構(gòu)中的可分離卷積降低網(wǎng)絡(luò)的復(fù)雜性，提高網(wǎng)絡(luò)的訓(xùn)練速度.ResNet殘差結(jié)構(gòu)提取深層次特征的同時(shí)能夠有效避免產(chǎn)生梯度爆炸的問題.將經(jīng)過SENet的特征圖和通過Inception-ResNet模塊的特征圖進(jìn)行融合疊加，提升網(wǎng)絡(luò)的效果，并盡可能的減少由計(jì)算量增加帶來的負(fù)擔(dān).改進(jìn)后網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖6所示.

圖6 SE-Inception-ResNet-V2網(wǎng)絡(luò)結(jié)構(gòu)圖

3 仿真驗(yàn)證與結(jié)果分析

3.1 仿真環(huán)境

本仿真平臺(tái)在Windows10系統(tǒng)環(huán)境下基于Tensorflow深度學(xué)習(xí)框架中搭建，GPU使用NVIDIA GeForce GTX 1650 Ti,內(nèi)存為8 GByte.仿真分為定位實(shí)驗(yàn)仿真和缺陷分類兩個(gè)部分.定位部分的原始數(shù)據(jù)集為1 000張接觸網(wǎng)吊弦圖片，把數(shù)據(jù)經(jīng)過旋轉(zhuǎn)、平移、鏡像等操作，將圖片擴(kuò)充為3 584張，按7∶3劃分為訓(xùn)練集和測(cè)試集；吊弦線夾缺陷分類的數(shù)據(jù)集為從定位結(jié)果中裁剪出來的600張有效圖片，經(jīng)數(shù)據(jù)擴(kuò)充變?yōu)? 792張，按5∶1劃分為訓(xùn)練集和測(cè)試集.

完成本文的缺陷識(shí)別分類任務(wù)，需要訓(xùn)練2個(gè)網(wǎng)絡(luò)模型：

1)基于改進(jìn)Faster R-CNN的吊弦線夾定位模型，訓(xùn)練的初始參數(shù)設(shè)置為：批量尺寸(batch size)為256，學(xué)習(xí)率為0.001，動(dòng)量為0.9，權(quán)重衰減為0.000 5，最大迭代次數(shù)為4萬次；

2)基于SE-Inception-ResNet-V2結(jié)構(gòu)的吊弦線夾狀態(tài)分類模型，訓(xùn)練的初始參數(shù)設(shè)置為：批量尺寸(batch size)為256，學(xué)習(xí)率為0.001，動(dòng)量為0.9，權(quán)重衰減為0.000 5，迭代周期設(shè)置為200，每個(gè)迭代周期訓(xùn)練一遍數(shù)據(jù)集.

3.2 實(shí)驗(yàn)結(jié)果分析

3.2.1 定位實(shí)驗(yàn)分析

按照第1節(jié)所述吊弦線夾的定位方法訓(xùn)練網(wǎng)絡(luò)模型，為了驗(yàn)證改進(jìn)算法的有效性，將改進(jìn)前后的定位效果圖進(jìn)行對(duì)比，原始算法吊弦線夾的定位效果如圖7(a)所示，改進(jìn)后的效果圖如圖7(b)所示.

圖7中方框圈住的部分是定位到的吊弦線夾，“dxj”是標(biāo)簽，后面的數(shù)字代表的是該方框中的目標(biāo)為吊弦線夾的置信度.由圖7(a)可以看出：原始算法對(duì)于下部分沒有其他部件干擾的吊弦線夾，均以0.95左右的準(zhǔn)確度進(jìn)行有效的識(shí)別；對(duì)于上部分線夾，由于受到載流環(huán)的干擾，出現(xiàn)漏檢現(xiàn)象.從圖7(b)可以看出：改進(jìn)后的算法將圖7(a)(1),(2)中漏檢的上部線夾檢測(cè)出來，圖7(a)(3)中吊弦線夾的識(shí)別概率也從0.95提高到0.97左右.這可以從改進(jìn)的兩個(gè)角度進(jìn)行分析:一是從特征圖角度來說，因?yàn)镽esNet-101相比于原始算法中的VGG16網(wǎng)絡(luò)，網(wǎng)絡(luò)層次更深，可以提取到更多的目標(biāo)信息，并且由于加入殘差網(wǎng)絡(luò)，可以有效解決梯度消失的問題，提高檢測(cè)的準(zhǔn)確率；FPN結(jié)構(gòu)也將低層的細(xì)節(jié)信息和高層的語義信息進(jìn)行融合，使網(wǎng)絡(luò)提取的特征圖包含更多的吊弦線夾的信息.二是用聚類產(chǎn)生的自適應(yīng)錨框尺寸比例代替原始的由人工經(jīng)驗(yàn)設(shè)置的錨框尺寸，對(duì)于尺寸較小的吊弦線夾來說也是有益的.由此說明：本文算法對(duì)吊弦線夾的定位效果較好，能夠以97%左右的概率識(shí)別出圖中的吊弦線夾.為了進(jìn)一步驗(yàn)證本文算法對(duì)吊弦線夾的定位效果，將該算法與未改進(jìn)和只加入FPN的算法進(jìn)行對(duì)比，用平均精度[17]作為評(píng)價(jià)算法性能的指標(biāo).對(duì)比結(jié)果見表1.

表1 平均精度對(duì)比結(jié)果

由表1可以看出：加入FPN特征金字塔后，平均精度提升了5.2%；緊接著再用K-means對(duì)錨框進(jìn)行優(yōu)化，平均精度達(dá)到了96.4%，證明本文的改進(jìn)是有效的，定位性能要優(yōu)于其他兩者.

3.2.2 缺陷分類實(shí)驗(yàn)

將三種不同類型的吊弦線夾打上標(biāo)簽，輸入到引進(jìn)SENet的Inception-ResNet-V2分類網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，保存模型并進(jìn)行測(cè)試，測(cè)試的部分結(jié)果如圖8所示.

圖8 測(cè)試結(jié)果圖

本文用“l(fā)oss”代表吊弦線夾螺母缺失狀態(tài)，用“0”來表示；“l(fā)oosen”代表吊弦線夾螺母松脫狀態(tài)，用“1”來表示；“ZC”代表吊弦線夾螺母正常狀態(tài)，用“2”來表示，圖8為部分圖片的測(cè)試結(jié)果.從圖8中可以看出：輸入的前面3張圖片的預(yù)測(cè)結(jié)果和實(shí)際情況一致，最后一張出現(xiàn)了偏差，輸入的是吊弦線夾螺母松脫圖片，預(yù)測(cè)的是正常狀態(tài)，這是因?yàn)槁菽傅男》人擅摵驼顟B(tài)差別不是特別大，因此出現(xiàn)了誤分類的情況，而對(duì)差別較大的吊弦線夾螺母正常和缺失兩種狀態(tài)可以準(zhǔn)確地進(jìn)行分類.

為驗(yàn)證本文算法的有效性，在相同的實(shí)驗(yàn)環(huán)境下，采用同系列的Inception V3網(wǎng)絡(luò)和未加入SENet的Inception-Resnet-V2網(wǎng)絡(luò)作對(duì)比實(shí)驗(yàn)，經(jīng)過不同網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練后的測(cè)試效果見表2.實(shí)驗(yàn)中使用準(zhǔn)確率(ACC)作為模型好壞的評(píng)價(jià)指標(biāo)[18]，準(zhǔn)確率越高，表明模型的預(yù)測(cè)結(jié)果和實(shí)際情況越相近，模型的效果越好.ACC的表達(dá)式如式(4)所示.

(4)

其中：N表示測(cè)試集中的所有吊弦線夾的圖像數(shù)目；Nr表示將吊弦線夾狀態(tài)正確分類的數(shù)目.

從表2中可以看出：從平均準(zhǔn)確率來看，Inception V3網(wǎng)絡(luò)和Inception ResNet-V2網(wǎng)絡(luò)模型相比，雖然同樣具有Inception模塊的多通道卷積，但I(xiàn)nception ResNet-V2網(wǎng)絡(luò)中的殘差模塊增加了網(wǎng)絡(luò)的深度，分類的準(zhǔn)確率從92.87%提升到93.67%；在Inception ResNet-V2網(wǎng)絡(luò)中添加SENet后，三種螺母狀態(tài)的平均分類準(zhǔn)確率達(dá)到了96.61%，與未加入SENet相比，準(zhǔn)確率提升了2.94%.SENet模塊的作用機(jī)理模仿的是人類大腦對(duì)于某一事物的專注程度，與傳統(tǒng)的Inception-ResNet-V2卷積神經(jīng)網(wǎng)絡(luò)相比﹐本文加入SENet的改進(jìn)方法能夠?qū)μ崛〉降奶卣鬟M(jìn)行加權(quán)﹐降低較弱特征參數(shù)的影響，增加較強(qiáng)特征的權(quán)重，以此來提高特征圖的表達(dá)能力，增強(qiáng)對(duì)吊弦線夾螺母三種狀態(tài)的分類能力，可以使網(wǎng)絡(luò)更好地指導(dǎo)吊弦線夾的狀態(tài)分類.從三種螺母狀態(tài)的準(zhǔn)確率來看：三種網(wǎng)絡(luò)模型對(duì)螺母缺失和正常兩種狀態(tài)的分類準(zhǔn)確率較高，而對(duì)螺母松脫這一狀態(tài)的準(zhǔn)確率差于其他兩者，這是因?yàn)槁菽杆擅摰臓顟B(tài)和正常狀態(tài)的差異不明顯，導(dǎo)致螺母松脫故障的準(zhǔn)確率低于另兩種狀態(tài).

表2 不同模型的識(shí)別準(zhǔn)確率

4 結(jié)論

本文對(duì)接觸網(wǎng)吊弦線夾的狀態(tài)識(shí)別進(jìn)行了研究，提出了基于深度學(xué)習(xí)的吊弦線夾缺陷識(shí)別分類方法.將缺陷識(shí)別任務(wù)分為目標(biāo)定位和缺陷分類兩個(gè)步驟：用改進(jìn)的Faster R-CNN模型實(shí)現(xiàn)吊弦線夾的定位；在缺陷分類過程中，將SENet結(jié)構(gòu)嵌入到Inception-ResNet-V2網(wǎng)絡(luò)中，對(duì)提取的特征進(jìn)行加權(quán)，更多的關(guān)注與目標(biāo)相關(guān)的特征通道，降低無關(guān)參數(shù)的影響，提高吊弦線夾缺陷分類的準(zhǔn)確率.仿真結(jié)果表明：本文方法可以實(shí)現(xiàn)吊弦線夾的高精度定位；在吊弦線夾的狀態(tài)分類中，對(duì)吊弦線夾正常、螺母缺失、螺母松脫三種狀態(tài)的平均分類準(zhǔn)確率達(dá)到了96.61%，表現(xiàn)出了較高的可靠性.本文所提出的缺陷識(shí)別方法為接觸網(wǎng)其他零部件的故障識(shí)別問題提供了一些參考，具有一定的現(xiàn)實(shí)意義.